1556人阅读
机器学习（23）
转自：http://chen.yi.bo./blog/static//
由于专业的关系，我学习信用评分的时候往往最关注模型那一块，前段时间一直有很多困惑，这周认真地看了一篇文章，终于有一点点明白了，所以来简单地小结一下（这事儿不能说得太细），小结完了我得学习cURL去了。
最常见的用于信用评分的模型就是logistic回归，这是一种处理二分类因变量的广义线性模型。这种模型的理论基础比较扎实，但是对于不同的问题当然也存在一些特殊的处理方式，我最大的困惑就在于建模时对分类自变量的处理方法。
由于制作评分卡的某些需要，通常会在建立评分模型时将自变量做离散化处理（等宽切割，等高切割，或者利用决策树来切割），但是模型本身没办法很好地直接接受分类自变量的输入，因此需要对自变量进行再次的处理。比较常规的做法有两种：做dummy变量，做基于目标的变量编码。
dummy变量是比较顺其自然的操作，例如某个自变量m有3种取值分别为m1,m2,m3，那么可以构造两个dummy变量M1,M2：当m取m1时，M1取1而M2取0；当m取m2时，M1取0而M2取1；当m取m3时，M1取0且M2取0。这样，M1和M2的取值就确定了m的取值。之所以不构造M3变量，是基于信息冗余和多重共线性之类的考虑。但是，构造dummy变量也存在一些缺点，例如无法对自变量的每一个取值计算其信用得分，并且回归模型筛选变量时可能出现某个自变量被部分地舍弃的情况。
另一种处理分类变量的方法是基于目标对其进行编码，在信用评分中比较常见的就是用WOE编码。WOE叫做证据权重(Weight of Evidence)，表示的其实是自变量取某个值的时候对违约比例的一种影响。
解释起来还蛮拗口的，先画个表。
在这个表格中，ID就是我们考虑的某个自变量，他有三种取值。1和0分别代表了违约样本与正常样本的数量，最后一列就是相应的WOE。用比较复杂的中文来解释：ID取值为A1时，计算此时违约样本占总体违约样本的比例pp1，再计算此时正常样本占总体正常样本的比例pp0，然后求这两个比例的比值的自然对数ln(pp1/pp0)，所得即为与A1相对应的WOE。事实上经过简单变化，可以认为WOE衡量了自变量取Ai时的违约险算比(odds ratio)与总体违约险算比之间的某种差异。正因为如此，直观地可以认为WOE蕴含了自变量取值对目标变量(违约概率)的某种影响，因此可以自然地将自变量重新编码：当自变量取值Ai时，编码为相应的WOEi。
WOE的这种做法同样非常直观，而且他的计算形式跟logit回归中的目标变量如此相似，所以连我都认为能够毫无顾虑地采用这种方法。但我总还是困惑：这种做法是不是还有其他含义，它与dummy变量方法有没有什么本质上的关系？
于是我就找了一些教材来读，终于有了一些新的理解。
事实上，为了理解WOE的意义，需要考虑对评分模型效果的评价。因为我们在建模时对模型自变量的所有处理工作，本质上都是为了提升模型的效果。在之前的一些学习中，我也总结了这种二分类模型效果的评价方法，尤其是其中的ROC曲线。为了描述WOE的意义，还真的需要从ROC说起。仍旧是先画个表格。
数据来自于著名的German credit dataset，取了其中一个自变量来说明问题。第一列是自变量的取值，N表示对应每个取值的样本数，n1和n0分别表示了违约样本数与正常样本数，p1和p0分别表示了违约样本与正常样本占各自总体的比例，cump1和cump0分别表示了p1和p0的累计和，woe是对应自变量每个取值的WOE（ln(p1/p0)），iv是woe*(p1-p0)。对iv求和(可以看成是对WOE的加权求和)，就得到IV(information
value信息值)，是衡量自变量对目标变量影响的指标之一(类似于gini,entropy那些)，此处是0.666，貌似有点太大了，囧。
IV可以稍后再讲，首先需要有一个认识：上述过程研究了一个自变量对目标变量的影响，事实上也可以看成是单个自变量的评分模型，更进一步地，可以直接将自变量的取值当做是某种信用评分的得分，此时需要假设自变量是某种有序变量，也就是仅仅根据这个有序的自变量直接对目标变量进行预测。
正是基于这种视角，我们可以将“模型效果的评价”与“自变量筛选及编码”这两个过程统一起来。筛选合适的自变量，并进行适当的编码，事实上就是挑选并构造出对目标变量有较高预测力(predictive power)的自变量，同时也可以认为，由这些自变量分别建立的单变量评分模型，其模型效果也是比较好的。
就以上面这个表格为例，其中的cump1和cump0，从某种角度看就是我们做ROC曲线时候的TPR与FPR。例如，此时的评分排序为A12,A11,A14,A13，若以A14为cutoff，则此时的TPR=cumsum(p1)[3]/(sum(p1))，FPR=cumsum(p0)[3]/(sum(p0))，就是cump1[3]和cump0[3]。于是我们可以画出相应的ROC曲线。
可以看得出来这个ROC不怎么好看。之前也学习过了，ROC曲线有可以量化的指标AUC，指的就是曲线下方的面积。这种面积其实衡量了TPR与FPR之间的距离。根据上面的描述，从另一个角度看TPR与FPR，可以理解为这个自变量（也就是某种评分规则的得分）关于0/1目标变量的条件分布，例如TPR，即cump1，也就是当目标变量取1时，自变量（评分得分）的一个累积分布。当这两个条件分布距离较远时，说明这个自变量对目标变量有较好的辨识度。
既然条件分布函数能够描述这种辨识能力，那么条件密度函数行不行呢？这就引出了IV和WOE的概念。事实上，我们同样可以衡量两个条件密度函数的距离，这就是IV。这从IV的计算公式里面可以看出来，IV=sum((p1-p0)*log(p1/p0))，其中的p1和p0就是相应的密度值。IV这个定义是从相对熵演化过来的，里面仍然可以看到x*lnx的影子。
至此应该已经可以总结到：评价评分模型的效果可以从“条件分布函数距离”与“条件密度函数距离”这两个角度出发进行考虑，从而分别得到AUC和IV这两个指标。这两个指标当然也可以用来作为筛选自变量的指标，IV似乎更加常用一些。而WOE就是IV的一个主要成分。
那么，到底为什么要用WOE来对自变量做编码呢？主要的两个考虑是：提升模型的预测效果，提高模型的可理解性。
首先，对已经存在的一个评分规则，例如上述的A12,A11,A14,A13，对其做各种函数变化，可以得到不同的ROC结果。但是，如果这种函数变化是单调的，那么ROC曲线事实上是不发生变化的。因此，想要提高ROC，必须寄希望于对评分规则做非单调的变换。传说中的NP引理证明了，使得ROC达到最优的变换就是计算现有评分的一个WOE，这似乎叫做“条件似然比”变换。
用上述例子，我们根据计算出的WOE值，对评分规则（也就是第一列的value）做排序，得到新的一个评分规则。
此处按照WOE做了逆序排列（因为WOE越大则违约概率越大），照例可以画出ROC线。
可以看出来，经过WOE的变化之后，模型的效果好多了。事实上，WOE也可以用违约概率来代替，两者没有本质的区别。用WOE来对自变量做编码的一大目的就是实现这种“条件似然比”变换，极大化辨识度。
同时，WOE与违约概率具有某种线性关系，从而通过这种WOE编码可以发现自变量与目标变量之间的非线性关系（例如U型或者倒U型关系）。在此基础上，我们可以预料到模型拟合出来的自变量系数应该都是正数，如果结果中出现了负数，应当考虑是否是来自自变量多重共线性的影响。
另外，WOE编码之后，自变量其实具备了某种标准化的性质，也就是说，自变量内部的各个取值之间都可以直接进行比较（WOE之间的比较），而不同自变量之间的各种取值也可以通过WOE进行直接的比较。进一步地，可以研究自变量内部WOE值的变异（波动）情况，结合模型拟合出的系数，构造出各个自变量的贡献率及相对重要性。一般地，系数越大，woe的方差越大，则自变量的贡献率越大（类似于某种方差贡献率），这也能够很直观地理解。
好像似乎还没讲完，但是基本也就这些了。总结起来就是，做信用评分模型时，自变量的处理过程（包括编码与筛选）很大程度上是基于对单变量模型效果的评价。而在这个评价过程中，ROC与IV是从不同角度考察自变量对目标变量的影响力，基于这种考察，我们用WOE值对分类自变量进行编码，从而能够更直观地理解自变量对目标变量的作用效果及方向，同时提升预测效果。
这么一总结，似乎信用评分的建模过程更多地是分析的过程（而不是模型拟合的过程），也正因此，我们对模型参数的估计等等内容似乎并不做太多的学习，而把主要的精力集中于研究各个自变量与目标变量的关系，在此基础上对自变量做筛选和编码，最终再次评估模型的预测效果，并且对模型的各个自变量的效用作出相应的评价。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：60647次
排名：千里之外
原创：33篇
转载：25篇
评论：14条
(1)(1)(2)(1)(5)(4)(3)(1)(10)(6)(9)(1)(2)(1)(1)(2)(3)(5)扫描二维码 领10025理财红包
靠人脉关系评定信用 是否合理合法？
浏览量1242
来源:虎嗅网
&社区注：将用户的人脉关系作为信用评级参考因素的这种做法，已经成为 Facebook 在美国的一项专利。但是这并非 Facebook 首创，阿里巴巴旗下蚂蚁金融推出的芝麻信用分也在使用人脉关系作为评估信用水平的依据。&来源：芝麻信用官方网站今年八月，Facebook 在美国成功申请了一个似乎并无特别的专利，该专利主要是通过分析某个用户的好友数据来做一些事情。其中大部分讨论的都是社交媒体运营中相对枯燥的技术问题&&直到最后一项应用案例，出现了如下的内容：&当一个用户申请贷款的时候，贷款方会审查该用户社交网络好友的信用等级。只有这些好友的平均信用等级达到了最低的信用分要求，贷款方才会继续处理贷款申请。否则的话，该申请即被拒绝。&换句话说：当你申请贷款的时候，该专利可以让银行来分析你的 Facebook 好友情况。如果你的好友中有太多人信用分过低，则银行可能会拒绝你的贷款申请&&即便是在你本人的信用完全没问题的情况下。&贷款歧视？&有批评人士认为，这项专利重现了历史上著名的&贷款歧视&做法：&Facebook 想要以你的好友名单为理由拒绝贷款&(Facebook Wants to Redline Your Friends List)，有媒体在新闻标题中这样写道。这种观点有一定道理，在二十世纪&以申请者居住地和种族为理由拒绝贷款 (redlining) &的做法中，银行会因为申请者居住在黑人较多的社区而拒绝房贷申请。但是到了二十一世纪就时髦多了，银行的做法更先进：他们不仅能够以用户的居住地为理由拒绝贷款，还可以将申请者的亲朋好友作为拒绝贷款的理由。因为一个人的朋友圈子会密切地反映出他的种族和阶级&&研究结果显示，在每十个普通的美国白人公民当中，就有九个人的好友全都是白人&&这种做法实际上会让已经消失的贷款歧视重新复活。(值得一提的是，传统上拒绝贷款的做法是被美国政府所鼓励、甚至来主导实施的。)&社交网络好友是否很快将改变我们的信用档案？这种状况又是否合法？笔者不是很确定，尤其是在采访了公民权利和社会公正团体 Upturn 的科技政策负责人 Aaron Rieke 之后。Rieke 去年完成了一份有关新型金融信用分的报告，其中就包括 Facebook 这种基于社交网络数据的分析方式。&Rieke 所传达的消息，用一句话概括是：尚不必担心。他认为 Facebook 将这一专利付诸现实的可能性非常小。&Facebook 信用分的障碍：用户心理和法律监管&有这样几个理由。首先是实际操作层面的：目前，Facebook 还要依靠用户自愿来贡献他们的数据。&&Facebook 盈利靠的是鼓励人们拥有庞大的好友网络，生产许许多多的内容，好让它来展示广告，&Rieke 对笔者说道，&如果他们决定开展信用分业务，我真的会很惊讶，因为那样的话会让用户感到恐慌、不安。&&Facebook 同样会面临很大的法律障碍。向贷款方出售信息的这种做法，在《美国公平信用报告法》(Fair Credit Reporting Act) 的监管范围之内。1970 年通过的这项法案，为的是监管一批相对较为新型的公司，它们掌握着消费者信息&&这些公司也就是我们如今所知的征信机构 (credit bureaus)&&《美国公平信用报告法》有权对 Facebook 的监管责任做彻底检查。举例来说，Facebook 需要告知用户该公司如何看待用户以及他们的人口数据，这要求 Facebook 要披露比现在多得多的信息。&但即便 Facebook 的信用分计算模型被发现带有歧视性的话，这家公司也不会被束缚住&&至少不会被消费者束缚住。如果一家银行基于 Facebook 给出的数据去批准或拒绝贷款的话，这家银行则必须要确保贷款符合 1974 年通过的《美国信贷机会均等法》(Equal Credit Opportunity Act)，该法案禁止基于一系列原因&&种族、性别、宗教&&的歧视行为。从这一点来看，Facebook 的信用分看起来没有问题，但是《美国信贷机会均等法》的执法者认为，该法案所禁止的歧视范围可延伸至差别对待 (disparate-impact) 的情况。&使用 Facebook 信用分的第三方可能面临诉讼？&&为了禁止某种情况发生的一项中立政策或措施，不成比例地施加在某个群体上，仍旧是不合法的。&Rieke 这样说道。也就是说，他认为如果一家银行试图使用 Facebook 的信用分，那么这家银行将很快面临一起&差别对待&违规的诉讼。&&用户可以起诉使用这种信用分的借贷方有&差别对待&的行为，用户会说：我没有钱，好友也是穷人；或者是，好友没有钱，所以就拒绝给我授信；或者是，好友都是某个特定族裔的，所以授信被拒。这样就会有一场关于&差别对待&的官司。&他说，&借款方将不得不给出这种信用分能够预测信用度的证据，而且还要说明他们没有更好的办法计算该用户的信用分。&&对于使用信用分的银行来说，这将是一场很难打的官司。尤其是现在许多信用机构表示，除了一个人的信用历史之外，没有更好的担保某人具有还款能力的标准。可能发生的法律诉讼使得 Facebook 应用这项专利变得更加困难，任何一家使用这种信用分的银行都要负担许多义务。而许多传统意义上征信机构已经向借贷方证明了，他们提供的信用分不会导致&差别对待&诉讼的情况。&在美国金融体系之外，这种做法&并不坏&&基于社交网络数据的征信并非彻头彻尾的坏主意，在那些美国金融体系之外的国家，这种信用分计算方法能够帮助需要信贷的人。在墨西哥、哥伦比亚和菲律宾，已经有公司在分析用户的 Facebook、LinkedIn 和 Twitter 账户来评估他们的信用情况。&在美国，目前有 20% 的人口无法获得信贷。Rieke 认为，对于新方法，不应该仅仅因为其做法新而遭到人们的拒绝。&我不觉得任何一个认同金融公正的人应该马上、彻底排斥某些听起来较新或是与以往不同的做法，&他对笔者表示，&但是一种基于用户社交圈子的信用分计算系统，我认为不太会有什么帮助。&&笔者已经就信用分专利一事联系了 Facebook，但尚未获得回复。
浏览量4763
信用卡申请榜单
有此卡 295
有此卡 2107
有此卡 3035
有此卡 1923
有此卡 2084
热门银行中心
信用卡学院
热门信用卡话题
热门信用卡专题
51信用卡 浙ICP备号 浙公网安备33号
友情链接 :
51信用卡管家公众号
51信用卡管家app出自 MBA智库百科()
信用风险评估(Credit Risk Evaluation)
　　信用风险评估是指管理人将充分利用现有行业与研究力量，根据发债主体的和等情况对其进行评估，以此作为品种选择的基本依据。
　　5C要素分析法
　　是对作信用风险分析时所采用的专家分析法之一。它主要集中在借款人的道德 (Character)、还款能力(Capacity)、资本实力()、()和经营环境条件(Con- dition)五个方面进行全面的以判别借款人的还款意愿和还款能力。有些银行将其归纳为“”因素,即借款人()、借款用途 (Why)、还款期限(When)、担保物(What)及如何还款(How)。还有的银行将其归纳为“”因素,即个人因素(Personal)、借款目的(Purpose)、偿还()、保障(Protec-tion)和前景(Perspective)。无论是“5C”、“5W”或是 “5P”要素法在内容上大同小异,他们的共同之处都是将每一要素逐一进行评分,使信用数量化,从而确定其以作为其是否、贷款的确定和随后贷款跟踪监测期间的政策调整依据。
　　财务比率综合分析法'
　　由于往往是由引致而使银行和面临巨大的信用风险, 及早发现和找出一些预警趋向恶化的特征,无疑可判断借款或的财务状况,从而确定其信用等级,为和提供依据。基于这一, 金融机构通常将信用风险的转化为企业财务状况的衡量问题。因此,一系列方法也应运而生。就是将各项指标作为一个整体,、全面、综合地对和经营情况进行剖析、解释和评价。这类方法的主要代表有和,前者是以为龙头,以为核心,重点揭示及其前因后果;而沃尔比重法是将选定的7项分别给定各自的分数比重,通过与标准比率 (行业平均比率)进行比较,确定各项的得分及的累计分数,从而得出企业财务状况的综合评价,继而确定其信用等级。
　　多变量信用风险判别模型
　　多变量信用风险判别模型是以特征财务比率为解释变量,运用数量推导而建立起的标准模型。运用此模型某种性质事件发生的可能性,及早发现信用危机信号,使经营者能够在危机出现的萌芽阶段采取有效措施,防范危机;使投资者和可依据这种信号及时转移投资、应收帐款及作出信贷。目前国际上这类模型的应用是最有效的,也是业和学术界视为主流方法。概括起来有、Logit、 Probit模型和判别分析模型。其中多元判别分析法最受青睐,次之。
　　多元法是研究对象所属类别进行判别的一种;判别分析就是要从若干表明观测对象特征的(财务比率)中筛选出能提供较多的并建立判别函数,使推导出的判别函数对观测分类时的错判率最小。率先将这一方法应用于财务危机、及违约风险分析的开拓者是美国的爱德华·阿尔特曼博士(EdwardI.Altman)。他早在 1968年对美国破产和非破产企业进行观察,采用了22个财务比率经过筛选建立了著名的5变量和在此基础上改进的“Ze- ta”。根据判别分值,以确定的临界值对研究对象进行信用风险的。由于模型简便、低、效果佳,己商业化,广泛应用于美国,取得了巨大的。美国还专门成立了一家Zeta服务,著名也提供Z值。受美国影响,日本、德国、法国、英国、澳大利亚、加拿大等许多发达国家的金融机构,以及巴西都纷纷研制了各自的判别模型。虽在变量上的选择各有千秋,但总体思路则与阿尔特曼如出一辙。
　　Logit模型是采用一系列财务比率变量来预测公司破产或的概率;然后根据银行、投资者的程度设定警界线、以此对分析对象进行风险定位和决策。Logit模型与多元判别分析法的本质区别在于前者不要求满足,其模型采用Lo-gistic函数。由于 Logistic回归不假定任何,不满足正态情况下其判别正确率高于判别分析法的结果。
　　以资本市场理论和信息科学为支撑的新方法
　　随着资本市场的迅速发展、的、证券化趋势以及工具的大量涌现,信用风险的复杂性也日益显著。人们认为以财务比率为基础的不能反映借款人和证券发行人的在上快速变化的动态价值;鉴于此,一系列信用风险衡量的新方法相继提出。
　　1.期权定价型的破产模型期权定价型的“破产模型”。
　　这类模型的理论依据在很多方面与Black-Scholes(1973),Merton(1974)以及 Hull和White(1995)的期权定价模型相似。因此也称作信用风险的。Black-Scholes-Merton系列定价模型表明一家公司的破产概率取决于公司资产相对于其短期负债时的初始和资产()的。当公司资产的()低于其价值, 即资不抵债时,那么该公司实质上已经破产。1993年公司研究提出的期望违约率(ExpectedDefaultFrequency,)模型也是基于这一理论。模型的包含两种理论联系。其一是将股票价值看成是建立在公司资产价值上的一个;其二是公司股票价值波动率与公司资产价值变化之间的关系。在实践中,通过观察在一准差(资产市价与偿债价值的)水准上的公司(其初始资产高于)在一年内有多少比例的公司破产; 以此来衡量任一具有同样标准差公司的。由于资产的估算又取决于股价波动率的估算,因此令人质疑的是估算的股价波动率是否可作为公司资产价值估算的可信指标。
　　2.债券违约率模型和期限方法
　　阿尔特曼研究的债券违约模型(Mortalityratmodel)和 Asquith、Mullins(1989)的期限方法(Ag-ingapproach)是按和标准普尔的信用等级和债券到期年限,采用债券的历史数据建立的违约概率经验值。对各类信用等级和期限的违约风险的衡量。美国穆迪(1990)和(1991)两家著名评级公司修正了这一模型并作为他们的常规金融分析工具。此类模型有望扩展到贷款违约风险分析中。但目前的障碍是银行无法收集到足够的贷款违约历史数据供建立一个非常稳定的违约概率数据库。因此美国许多大型银行正致力于建立一个全国贷款违约和的共享数据库。
　　3.神经网络分析系统
　　虽然的理论可追溯到40年代,但在信用风险分析中的应用还是90年代的新生事物。神经网络是从和认识科学研究成果出发,应用数学方法发展起来的一种并行分布模式处理系统,具有高度能力、和容错。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出层组成。国外研究者如Altman,Marco和Varetto(1995)对意大利公司财务危机预测中应用了。Coats,Fant(1993)、 Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)采用了神经网络分析法分别对美国公司和银行财务危机进行了预测,取得了一定的效果。我国学者杨保安、王春峰等(1998)也在此领域进行了初探。然而神经网络的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构,需要人为地去调试,非常耗费人力与时间,因此应用受到了限制。Altman(1995)在对神经网络法和判别分析法的比较研究中得出结论“神经网络分析方法在信用风险识别和预测中的应用,并没有实质性的优于线性判别模型”。另外,Chatfield(1993)在《国际预测杂志》发表的题为“神经网络:预测的突破还是时髦”一文中对神经网络方法也只作了一般性的评述。但神经网络作为一门崭新的科学仍然吸引着众多领域的研究者。
　　衍生工具信用风险的衡量方法
　　衍生工具是指其价值依赖于基本价格的,如远期、、、等。80年代以来,金融市场风起云涌、变幻莫测、与日俱增。衍生工具因其在、投资、和中的巨大作用而获得了飞速的发展,尤其充实、拓展了的。然这些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。如和虽能减少,但却要承担互换对方的违约风险。如果银行只是作为互换的和担保人介入互换业务,互换中的任何一方违约都将由银行承担。另外,的,其违约风险也日益增加。因此,衍生工具的信用风险的管理也日益受到各国当局的重视。原则上,前面讨论的方法对衍生工具信用风险的预测仍有用武之地。因为,引起违约的一个重要因素,仍通常是对方陷入财务困境。尽管如此,在贷款、和表外的违约风险上仍存有许多细微的区别。首先,即使对方陷入财务困境, 也只可能对虚值合同(履约带来负价值的合同)违约而会力求履行所有的实值(履约带来正价值的合同)。其次,在任一违约概率水准上,衍生工具违约遭受的损失往往低于贷款违约的损失。鉴于此,研究者相继提出许多其他方法,不过主要集中在期权和互换两类衍生工具上,最具代表性的有下列三种。
　　1.风险敞口等值法(Riskequivalentexposure,REE)
　　风险敞口等值法(REE)是贯穿于衍生工具信用风险衡量的核心方法。这类方法是以估测信用风险敞口价值为目标,考虑了衍生工具的和时间价值,并以特殊方法处理的建立了一系列REE计算模型。既有以衍生工具交易的和合同价值为基础的REE模型,也有以衍生工具类别和组合策略为基础的REE模型。其中风险系数是衍生工具交易的名义本金转化为风险敞口等同值的核心工具。依据投资者的风险偏好,可计算4种概念的风险敞口等同值;即到期风险敞口等同值、平均风险敞口等同值、最坏情况风险敞口等同值和期望风险敞口等同值以度量信用风险的高低。
　　2.模拟法
　　模拟是一种计算机集约型的统计方法。采用过程影响衍生工具价值的关键的可能路径和交易过程中各时间点或到期时的衍生工具价值。经过成千上百次的反复计算得出一个均值。衍生工具的初始价值与模拟平均值之差是对未来任一时间点和到期信用风险敞口值的一个度量。
　　3.敏感度分析法
　　衍生工具交易者通常采用衍生工具价值模型中的一些比较系数,如 ,Gamme,Vega和来衡量和管理头寸及交易策略的风险。敏感度分析法就是利用这些比较值通过方案分析 (scenarioanalysis)或应用风险系数来估测衍生工具价值。其中Delta用于衡量衍生工具证券对其标的资产价格变动的敏感度;Gamme是衡量该衍生证券的对标的资产价格变化的敏感度;它等于衍生证券价格对标的资产价格的二阶偏导数,也等于衍生证券的Delta 对标的资产价格的一阶偏导数。Vega用来衡量衍生证券的价值对标的资产价格波动率的敏感度;Theta用于衡量衍生证券的价值对时间变化的敏感度。最终目的仍是估算出风险敞口等同价值(REE)。只是估算中采用的系数不同。如Ong(1996)主要采用Delta和Gamme来估算 REE,Mark(1995)则使用上述所有的系数,并运用方案分析以获得衍生工具的新价值。
　　前面所述的方法绝大多数都只是衡量单项贷款或投资项目的信用风险,而很少注重信用集中风险的评估。集中风险是所有单一信用风险的总和。的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个篮子里”的重要性。金融机构和投资者们采用、来达到分散和化解风险的目的。那么如何来衡量这些组合及所有个别加组合汇集起来的信用集中风险又成为一个新的课题。目前在这一课题上最为人们所关注的是1997年推出的信用计量法 (CreditMetricsTM)和金融信用风险+法()。这两大信用风险评估系统都是为了评估信用风险敞口亏损分布以及为弥补风险所需的资本,但使用的方法有所不同。信用计量法是以(VAR)为核心的动态量化系统。它集计算机、、和管理工程系统于一体,从、贷款组合的角度,全方位衡量信用风险。分析的面广,包括证券、贷款、、、衍生工具、等方面的信用风险的估测。具体操作是依据与动态信用事件(信用等级的变迁,违约等)的来估测集中信用风险的风险值。集中信用风险值是指在未来一定时间内, 因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据这一风险值调整和决策以防范损失。信用风险+法是在信用评级框架下计算每一级别或分数下的平均违约率及违约波动。将这些因素与综合考虑,从而算出亏损分布与所需资本预测数。
　　综观国际上这一领域的研究和实际应用,信用风险分析方法从主观和传统的财务比率转向以多变量、依赖于资本市场理论和计算机信息科学的动态分析方法为主的趋势发展。目前我国的信用分析和评估技术仍处于传统的比率分析阶段。银行机构主要使用计算的方法进行信用风险评估。信用风险的分析仍然是以单一投资项目、贷款和为主,衍生工具、的信用风险以及信用集中风险的评估尚属空白。更没有集多种技术于一体的动态量化的技术。随着我国的改革深入、的建立与完善以及资本市场、的迅速发展,现行的信用评估体制与方法赶不上改革发展的。我们应博采众长、引入科学方法来确定有效指标,并建立的来解决问题。　　
本条目对我有帮助20
&&如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请。
本条目相关文档
& 78页& 78页& 3页& 19页& 28页& 3页& 26页& 5页& 5页& 136页
本条目由以下用户参与贡献
(window.slotbydup=window.slotbydup || []).push({
id: '224685',
container: s,
size: '728,90',
display: 'inlay-fix'
评论(共0条)提示:评论内容为网友针对条目"信用风险评估"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。
以上内容根据网友推荐自动排序生成